本发明公开了一种联邦学习系统、方法、计算机设备及存储介质。利用神经网络模型内部各网络之间的低耦合性，采用模型分割技术将模型训练拆分为边缘终端设备的特征提取部分和边缘服务器的参数迭代更新部分，使边缘服务器和边缘终端设备共同实现模型训练，边缘终端设备只负责数据的特征提取部分，边缘服务器负责模型参数的循环迭代更新、共享和联邦聚合，保护了边缘终端设备的数据私密性，减轻了边缘终端设备的计算资源消耗和存储压力。在联邦聚合阶段，由边缘服务器代替中央服务器实现了去中心化，解决传统的联邦学习方法对中央服务器的依赖性强、抗风险能力差的问题，提高了联邦学习系统的抗风险能力。